سنجش اقلام تعهدي از طريق گزارش هاي متني با استفاده از تكنيك رگرسيون بردار پشتيبان و رويكرد مبتني بر لغت نامه

Measuring Accruals Through Textual Reports Using Support Vector Regression Technique and Dictionary-based Approach

هدف اين پژوهش سنجش اقلام تعهدي شركت ­هاي پذيرفته شده در بورس اوراق بهادار تهران، از طريق‌ گزارش‌‌هاي كيفي ‌و ناساختار يافته، با استفاده از تكنيك­ هاي متن­كاوي است. جامعه آماري پژوهش، شركت‌هاي پذيرفته ‌شده در بورس اوراق بهادار تهران و نمونه مورد مطالعه شامل 205 شركت در بازه‌ زماني هفت­ ساله 1390 تا 1396 است. تكنيك آماري مورد استفاده جهت آزمون فرضيه‌ها، رگرسيون‌ چند متغيره از نوع داده­ هاي تركيبي با استفاده از نرم‌افزار آماري استتا است. اندازه ­گيري اقلام تعهدي متني از طريق گزارش هيات مديره به مجمع شركت با استفاده از دو تكنيك رگرسيون بردار پشتيبان و روش مبتني ‌بر لغت‌نامه ‌در نرم‌افزار پايتون انجام گرفت. يافته ­هاي پژوهش نشان داد كه 19/6درصد از تغييرات اقلام ‌تعهدي ‌واقعي(اقلام ‌تعهدي‌ سطح‌ شركت) توسط ‌اقلام ‌تعهدي ‌متني ‌قابل ‌تبيين است. همچنين اقلام ‌تعهدي لغت­نامه‌اي(برآورد شده بر اساس فرهنگ واژگان) قادر به تبيين 15/3 درصد از تغييرات اقلام تعهدي واقعي هستند؛ درنتيجه اقلام تعهدي متني داراي قدرت تفسيري بيشتري نسبت به اقلام تعهدي لغت­نامه‌اي جهت ‌توصيف ‌اقلام ‌تعهدي ‌واقعي ‌در شركت است. درصورتي‌كه در يك مدل، اقلام تعهدي ‌متني ‌و لغت‌نامه‌اي همزمان به­ كار گرفته شوند، قادر به تبيين 53درصد از تغييرات اقلام تعهدي واقعي هستند.

The purpose of this study is to measure and estimate accruals of listed companies in Tehran Stock Exchange through qualitative and unstructured reports using text mining techniques. The study sample included 205 companies in the period 2011-2017. The statistical technique used to test the hypotheses is multivariate regression of the panel data type using stata software Textual accruals were measured by the board of directors' report to the corporation using two support vector regression and dictionary-based methods in Python software.The findings showed that 19.6% of firm-level accruals changes (actual accruals) can be explained by textual accruals. The results also indicate that dictionary accruals (estimated on the basis of dictionary) are able to explain15/3% of the changes are actual accruals, thus textual accruals have more interpretative power than dictionary accruals to explain and describe actual accruals in listed companies in Tehran Stock Exchange. Textual and vocabulary accruals can be used to explain 53% of actual accrual variations if they are used simultaneously in a model to describe actual accruals.